LoslegenKostenlos starten

Einfluss des Mittelwertmodells auf Volatilitätsprognosen

Die Modellierung der Mittelwertdynamik hat typischerweise einen großen Einfluss auf die erhaltenen Renditeprognosen, aber nur einen kleinen Einfluss auf die Volatilitätsprognosen. Der Effekt auf Volatilitätsprognosen ist so gering, dass man, wenn es nur um die Volatilitätsdynamik geht, die Mittelwertdynamik meist ignorieren und einfach die simpelste Spezifikation annehmen kann, nämlich das konstante Mittelwertmodell.

Lass uns das für die Tagesrenditen von Microsoft testen. Der vorhergesagte Mittelwert und die Volatilität der GARCH-Schätzung unter der Annahme von konstantem Mittelwert und AR(1) sind bereits in der Konsole als Variablen constmean_mean, ar1_mean, constmean_vol und ar1_vol verfügbar.

Diese Übung ist Teil des Kurses

<Kurs>GARCH-Modelle in R</Kurs>
Kurs ansehen

Übungsanweisungen

  • Vervollständige den Code, um das GARCH-in-mean-Modell zu schätzen.
  • Berechne den vorhergesagten Mittelwert und die Volatilität.
  • Vervollständige den Code, um die Korrelation zwischen den AR(1)- und den GARCH-in-mean-Renditeprognosen zu berechnen.
  • Vervollständige den Code, um die Korrelation aller drei Volatilitätsprognosen zu berechnen.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# GARCH-in-Mean specification and estimation
gim_garchspec <- ___( 
  mean.model = list(armaOrder = c(0,0), archm = ___, archpow = ___),
  variance.model = list(model = "gjrGARCH"), distribution.model = "sstd")
gim_garchfit <- ___(data = msftret , ___ = ___)

# Predicted mean returns and volatility of GARCH-in-mean
gim_mean <- ___(___)
gim_vol <- ___(___)

# Correlation between predicted return using AR(1) and GARCH-in-mean models
___(___, ___)

# Correlation between predicted volatilities across mean.models
___(merge(constmean_vol, ar1_vol, gim_vol))
Code bearbeiten und ausführen